CN117197625A - 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 - Google Patents
基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117197625A CN117197625A CN202311093976.3A CN202311093976A CN117197625A CN 117197625 A CN117197625 A CN 117197625A CN 202311093976 A CN202311093976 A CN 202311093976A CN 117197625 A CN117197625 A CN 117197625A
- Authority
- CN
- China
- Prior art keywords
- fusion
- band
- wave band
- remote sensing
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 88
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 36
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 446
- 238000001914 filtration Methods 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000014509 gene expression Effects 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于相关分析的遥感影像空‑谱融合方法、系统、设备及介质,所述方法包括:根据多光谱遥感影像模拟中介波段;根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,将融合源波段及中介波段的直方图匹配到目标波段,构建基于均值滤波图像的特征信息提取因子;设线性融合模型的融合系数待定,计算融合成果与融合目标波段的相关系数,通过极值分析确定融合系数;在确定的特征信息提取因子和融合系数下,根据线性融合模型计算均值滤波融合成果;将均值滤波融合成果的直方图匹配到参与融合的多光谱影像直方图,得到最终融合成果。本发明能够显著提高融合结果的多光谱影像光谱信息保真能力及高分辨率影像的空间细节信息。
Description
技术领域
本发明属于遥感影像融合增强技术领域,具体涉及一种基于相关分析的遥感影像空-谱融合方法、系统、计算机设备及计算机可读存储介质。
背景技术
随着多平台、多传感器、多天候、多时相、多分辨率遥感技术的发展,可供各行各业利用的遥感影像种类日益丰富。这些丰富多彩的遥感影像既为遥感图像应用研究提供了灵活的对象选择空间,也为遥感图像的选取、综合、纠正、增强等图像应用前处理研究提出了挑战。
不同的遥感影像数据具有不同的空间分辨率、时间分辨率、光谱分辨率等影像基本特征,其在不同的应用领域具有不同的应用表现和应用潜力。传统的遥感图像处理侧重单一图种的色彩、纹理、层次等一般图像特征的增强;遥感影像融合处理侧重于将不同影像的基本特征综合在一幅新的遥感影像图上,充分挖掘其综合应用潜力,提高其应用表现。近二十多年来,作为遥感图像处理的新方向,遥感图像融合技术得到了长足的发展,取得了系列新成果。
基于色彩空间理论的融合方法发展了CMYK、Lab、IHS(HSB)、HSV等融合方法,经典的有IHS方法。基于数理统计分析和四则运算原理,发展了比值法、差值法、加权叠加、倍数放大和四则混合运算办法。经典的方法是Brovey融合方法和CN融合方法。基于信号分析原理的融合方法发展了高通滤波、主成份分析(PCA)、傅立叶变换(FFT)、小波(Wavelet)变换、Gram-Schimdt变换、曲波变换(Curvelet)、轮廓波变换(Contourlet)、脊波变换(Ridgelet)、条带波变换(Bandelet)、楔波变换(Wedgelet)、小线变换(Beamlet)等融合技术和方法,经典的有PCA和GS融合方法。各类经典方法均以融入商业遥感图像处理软件。
其中,IHS、PCA和GS等融合方法,从融合原理来看同属成分替代方法,从融合的表达式来看属于线性融合模型,本质上融合结果是多光谱波段、全色波段、中介波段(模拟的低分辨率全色波段)的线性组合(胡佳伟等,基于AIHS的遥感影像融合方法及其应用研究,信息技术与网络安全,2018年第3期,p61-64;肖亮等,多源空—谱遥感图像融合方法进展与挑战,中国图象图形学报,2020年5月第25卷,第5期,p851-860)。现有的融合方法,均为线性融合模型的一个特例,其融合结果的多光谱影像光谱信息保真能力及高分辨率影像的空间细节信息保真能力有待在数学分析基础上进一步改善。
发明内容
为了解决上述现有技术的不足,本发明提供了一种基于相关分析的遥感影像空-谱融合方法、系统、计算机设备及计算机可读存储介质,能够显著提高融合结果的多光谱影像光谱信息保真能力及高分辨率影像的空间细节信息。
本发明的第一个目的在于提供一种基于相关分析的遥感影像空-谱融合方法。
本发明的第二个目的在于提供一种基于相关分析的遥感影像空-谱融合系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于相关分析的遥感影像空-谱融合方法,所述方法包括:
获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;
根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
将得到的空-谱融合成果进行合并并存储。
进一步的,所述将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子,包括:
以融合目标波段的直方图为基准,将融合源波段及中介波段的直方图匹配到融合目标波段,构建第一特征提取因子;
将待确定的特征提取系数引入第一特征提取因子,构建第二特征提取因子;
对第二特征提取因子进行去相关处理,得到特征提取系数的值;
根据特征提取系数的值,得到确定特征提取系数的第二特征提取因子并作为基于均值滤波图像的特征信息提取因子。
进一步的,所述以融合目标波段的直方图为基准,将融合源波段及中介波段的直方图匹配到融合目标波段,构建第一特征提取因子,包括:
设μT、μS、μI分别为融合目标波段T、融合源波段S、中介波段I的均值,σT、σS、σI分别为融合目标波段T、融合源波段S、中介波段I的均方差;
将融合源波段S及中介波段I的直方图分别匹配到融合目标波段T,则有:
式中,S′-I′为用S、I的均值滤波图像构建的第一特征提取因子,令第一特征提取因子为E;
显然E只是特征信息提取因子中的一个特例;
所述将待确定的特征提取系数引入第一特征提取因子,构建第二特征提取因子,包括:
在第一特征提取因子中引入待确定的特征提取系数kI,构建第二特征提取因子的表达式为:
式中,S-μS、I-μI分别为融合源波段的均值滤波图像、中介波段的均值滤波图像。
进一步的,所述去相关处理是消除第二特征提取因子与融合目标波段之间的信息冗余,即第二特征提取因子与融合目标波段不相关。
进一步的,所述融合系数待确定的融合目标波段的均值滤波融合成果的表达式为:
Tf=(T-μT)+kE·E
式中,Tf为融合目标波段T的均值滤波融合成果,μT为T的均值,kE为待确定的融合系数,E为特征信息提取因子,且:
式中,μS、μI分别为融合源波段S、中介波段I的均值,σT、σS、σI分别为T、S、I的均方差,kI为特征提取系数,r(T,S)为T与S的相关系数,r(T,I)为T与I的相关系数;
所述计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值,包括:
令r(Tf,S)为均值滤波融合成果与融合源波段的相关系数,由Tf的表达式推导得到:
当r(Tf,S)最大时,融合系数KE的值为:
其中:
a=r(S,I)-r(T,I)r(T,S)
b=1-r2(T,S)
c=r(T,S)-r(S,I)r(T,I)
d=r(T,I)-r(T,S)r(S,I)
式中,r(S,I)为S与I的相关系数。
进一步的,所述融合目标波段的均值滤波融合成果为:
Tf=(T-μT)+kE·E
式中,Tf为融合目标波段T的均值滤波融合成果,μT为T的均值,KE为确定的融合系数,E为特征信息提取因子;
所述根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果,包括:
设μM、σM分别为波段M的均值与均方差,σTf为Tf的均方差,将Tf直方图匹配到与波段M的直方图一致,则:
F=kM·{(T-μT)+kE·E}+μM
式中,F为波段M的空-谱融合成果,为特征匹配系数。
进一步的,所述根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,包括:
选取全色遥感影像中的全色波段为融合目标波段,多光谱遥感影像中任一波段为融合源波段;
或者选取多光谱遥感影像中任一波段为融合目标波段,全色遥感影像中的全色波段为融合源波段。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于相关分析的遥感影像空-谱融合系统,所述系统包括:
获取模块,用于获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
第一构建模块,用于将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
选取模块,用于根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
第二构建模块,用于将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
确定模块,根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
融合模块,用于根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
合并与存储模块,用于将得到的空-谱融合成果进行合并并存储。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的遥感影像空-谱融合方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的遥感影像空-谱融合方法。
本发明相对于现有技术具有如下的有益效果:
1.融合算法各参数物理意义明确,结构清晰,运算快捷。
该算法根据线性融合模型的全色相关系数及多光谱相关系数两个评价指标可以先验计算的特点线性确定融合模型的两个关键参数——特征提取系数、特征融合系数;在给定的特征提取系数、特征融合系数下计算空-谱融合成果。相比原影像,融合后影像中地物的几何细节、纹理、边缘、层次等空间信息得到极大丰富,并且与原多光谱影像相比,在融合后多光谱影像中,水体、植被、裸露地表、建筑物等地物的光谱特征和色彩显示保持稳定。该融合算法属线性融合模型,物理意义明确,表达式简洁明了,计算快捷高效。
2.融合算法既可以将全色空间信息注入多光谱波段,也可以将多光谱光谱信息注入全色波段,丰富了空-谱融合的路径,开辟了空-谱融合的新方向。
该算法为线性融合模型,与全色波段、多光谱波段的次序无关,两者位置可以互换,既可以将多光谱波段作为融合的目标波段而全色波段作为融合的源波段,也可以将全色波段作为融合的目标波段而多光谱波段作为融合源波段。当多光谱波段作为融合的目标波段时,融合方案为全色波段空间信息注入多光谱波段;当全色波段作为融合的目标波段时,融合方案为多光谱波段的光谱信息注入全色波段,开阔了空-谱融合的思路,丰富了空-谱融合的路径,开辟了空-谱融合的新方向。
3.融合算法对融合目标影像的波段数量没有限制,具有开放性。
该算法基于目标波段、源波段和中介波段的线性组合进行空-谱融合,在中介波段确定的条件下,对任意一个多光谱波段与全色波段组成的数据对进行融合。有多少个多光谱波段与全色波段组成的数据对,就可以按照同样的方式重复多少次融合计算,最终得到所有波段的融合成果。因而,本算法对多光谱波段的数量没有限制,具有开放性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于相关分析的遥感影像空-谱融合方法的简易流程图;
图2为本发明实施例2的基于相关分析的遥感影像空-谱融合方法的详细流程图;
图3为本发明实施例3的全色波段影像图(0.5米分辨率);
图4为本发明实施例3的标准假彩色合成影像图(2米分辨率);
图5为本发明实施例3的真彩色合成影像图(2米分辨率);
图6为本发明实施例3的中介波段影像图(2米分辨率);
图7为本发明实施例3的融合后的多光谱R'G'B'波段真彩色合成图(0.5米分辨率);
图8为本发明实施例3的融合后的多光谱N'R'G'波段标准假彩色合成图(0.5米分辨率);
图9为本发明实施例4的基于相关分析的遥感影像空-谱融合系统的结构框图;
图10为本发明实施例5的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。应当理解,描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例1:
对于遥感影像融合而言,其基本要求是既要保障融合后的多光谱影像的纹理、层次、细节等几何空间信息的丰富度和清晰度,又要保证融合前后遥感影像精细光谱特征和色彩信息的稳定性。总体上可以从以下方面对融合前后遥感影像的质量进行定量评价:
其一,融合前后影像色彩的丰富、明亮程度,可用波段统计特征——最大值、最小值、均值、标准差及波段之间的相关性指标——相关系数、协方差等指标来衡量;其二,融合前后影像整体信息的丰富程度,可用影像波段的信息熵等指标来度量;其三,融合前后影像的层次(边缘)、细节(纹理)和影像的清晰程度,可以用梯度、平均梯度等指标来衡量;其四,融合前后影像信息的一致性与继承性,即融合后多光谱影像与全色波段及原多光谱波段信息相关性的高低,能反映出融合影像对原影像空间信息和光谱信息的继承程度,若融合影像与全色影像的相关性高说明其很好注入了全色影像的空间几何细节信息,若融合影像与原多光谱波段的相关性高就说明很好保留了多光谱影像的精细光谱信息,从而能够评价影像融合的质量。
通过比较融合前后影像各自指标的差异,就能对影像的光谱(灰度、色调)信息、边缘(层次、差异)信息、纹理(细节)信息的变化方向进行分析,从而判断融合影像质量的优劣。
对于空-谱融合有两个基本指标反映几何清晰度及光谱保真度——融合结果与原始多光谱数据的相关系数,以及融合结果与全色波段的相关系数。一般认为融合结果与多光谱相关系数越高,光谱特性保真越好,信息熵也越大;融合结果与全色波段的相关系数越高,平均梯度比值越大,几何清晰度越高,影像细节保持越好。
对于线性组合融合模型而言,两个相关系数可以在融合计算之前完成评价。因此,这两个基本指标可以用来优选线性组合的融合参数。
对于通常的低分辨率多光谱数据和高分辨率的全色数据融合,经典的线性融合模型(IHS、PCA和GS等融合方法)基于不同的物理原理和数学方法获得融合参数。本发明根据线性融合模型的全色相关系数及多光谱相关系数两个评价指标可以先验计算的特点,提供了一种基于相关分析的遥感影像空-谱融合方法,该方法以融合的目标波段T的直方图为基准,将源波段S及中介波段I的直方图匹配到T,构建基于均值滤波图像的特征信息提取因子,引入特征提取系数,使其与目标波段线性无关,确定特征提取系数;设线性融合模型的融合系数待定,计算融合成果与目标波段的相关系数,通过极值分析确定相关系数最大时的融合系数;在给定的特征提取系数、特征融合系数下计算均值滤波影像融合影像,并将均值滤波成果直方图匹配到参与融合的多光谱影像直方图,计算得到特征匹配系数及最终融合成果。该方法获得线性融合模型的优选融合系数,既保持了全色的空间细节信息,又保持了多光谱的光谱特征。
如图1所示,本实施例提供的基于相关分析的遥感影像空-谱融合方法,包括以下步骤:
S101、获取全色遥感影像和多光谱遥感影像。
获取全色遥感影像和多光谱遥感影像,其中,多光谱遥感影像中的波段数量为n个,n为大于等于1的正整数。
S102、将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段并作为中介波段。
将全色遥感影像和多光谱遥感影像进行空间配准,使两种影像中同一地物的几何空间位置一致;
将多光谱遥感影像中的n个波段进行线性组合运算或者非线性运算模拟低分辨率全色波段,将模拟的低分辨率全色波段作为中介波段。
S103、根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M。
选取全色遥感影像中的全色波段为融合目标波段,多光谱遥感影像中任一波段为融合源波段;
或者选取多光谱遥感影像中任一波段为融合目标波段,全色遥感影像中的全色波段为融合源波段。
S104、将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子。
(1)线性融合模型的基本表达式。
经典的成分替换融合方法诸如IHS、PCA、GS等具有共同的表达形式:Mf=M+kE(P-I),其中M为低分辨率的多光谱波段,且称之为融合的目标波段;P为高分辨率的全色波段,且称之为融合的源波段;I为模拟的低分辨率全色波段,且称之为融合的中介波段。(P-I)为空间细节提取因子,kE为特征因子的融合系数。
很显然,线性融合模型满足加法的交换律,即Mf=P+kE(M-I)也是合理的方案。即可以把P作为融合的目标波段,而M作为融合的源波段,I为模拟的低分辨率全色波段,(M-I)为光谱特征提取因子。
假定目标波段记为T,源波段记为S,中介波段记为I。上述两种方案的表达式可以统一记为:
Tf=T+kE(S-I)
其中,S-I为特征提取因子,kE为特征融合系数。
(2)特征提取因子及其特征提取系数kI的确定。
为了更好地提取特征信息和融合特征信息,作如下处理:
(2-1)首先,融合对象之间的特征匹配。
设μT、μS、μI分别为T、S、I的平均值,设σT、σS、σI分别为T、S、I的均方差,将S、I的直方图均匹配到与T一致,则有:
S′-I′为用S、I的均值滤波图像构建的特征提取因子。显然这只是特征提取因子的一个特例。令特征提取因子为E,引入kI为特征提取系数,构建特征提取因子一般表达式如下:
其中,S-μS、I-μI分别为源波段、中介波段的均值滤波图像。
(2-2)其次,对特征提取因子进行去相关处理。
为了消除特征提取因子与融合目标波段之间的信息冗余,令E与T不相关,则有:
r(T,S)、r(T,I)分别为融合目标波段T与源波段S的相关系数、融合目标波段T与中介波段I的相关系数。
(3)基于均值滤波图像的特征信息提取因子。
根据确定的KI,得到均值滤波图像的特征信息提取因子为:
S105、根据特征信息提取因子和融合目标波段,得到融合系数确定的融合目标波段的均值滤波融合成果的表达式。
令目标波段的均值滤波图像为T-μT,则融合目标图像、源图像、中介图像的均值滤波图像的空-谱融合一般表达式为:
其中,kE为特征提取因子的融合系数,为待定系数。
下面用极值分析方法确定kE:
令r(Tf,S)为均值滤波融合成果与融合源图像的相关系数,其最大相关系数最好地将融合源的特征信息融入融合目标中。
由Tf计算表达式推导可得:
当时,上式等价于:
当r(Tf,S)最大时有:
其中:
a=r(S,I)-r(T,I)r(T,S)
b=1-r2(T,S)
c=r(T,S)-r(S,I)r(T,I)
d=r(T,I)-r(T,S)r(S,I)
r(T,S)、r(S,I)、r(T,I)分别为融合目标波段T与源波段S的相关系数、融合源波段S与中介波段I的相关系数、融合目标波段T与中介波段I的相关系数。
根据确定的kE和kI,得到Tf确定的表达式,即为融合系数确定的融合目标波段的均值滤波融合成果的表达式。
S106、根据融合系数确定的融合目标波段的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果。
在确定的kI、kE下,均值滤波图像的融合表达式为:
设μM、σM分别为波段M的均值与均方差,μTf,σTf分别为Tf的均值与均方差,将Tf直方图匹配到与波段M的直方图一致,则:
其中,为特征匹配系数,/>
F即为基于相关分析的遥感影像空-谱融合表达式。
S107、根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果。
若步骤S103中选取全色遥感影像中的全色波段为融合源波段S,则将多光谱遥感影像中的每个波段分别作为融合目标波段T,波段M则为目标波段T,根据步骤S106中基于相关分析的遥感影像空-谱融合表达式计算出波段M的空-谱融合成果;
若步骤S103中选取全色遥感影像中的全色波段为融合目标波段T,则将多光谱遥感影像中的每个波段分别作为融合源波段S,波段M则为融合源波段S,根据步骤S106中基于相关分析的遥感影像空-谱融合表达式计算出波段M的空-谱融合成果。
S108、将得到的空-谱融合成果进行合并并存储。
将步骤S107得到的空-谱融合成果进行合并并存储。
本实施例通过空-谱影像数据的线性融合模型的特征提取因子去相关处理以及融合成果与融合目标波段的相关分析确定融合模型的特征提取系数和特征融合系数,既最大程度地保留了全色影像清晰度和层次感,又更好地保留了多光谱影像真实的光谱特性和色彩显示,不改变水体、植被、土壤、建筑物等典型地物的影像光谱特征和显示效果,有效地提升了多光谱影像的整体质量,提高了遥感影像制图应用的潜力和分类应用的能力。
本领域技术人员可以理解,实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图2所示,本实施例提供的基于相关分析的遥感影像空-谱融合方法,具体包括以下步骤:
步骤1:输入遥感影像全色波段P及遥感影像多光谱波段Mi(近红外N、红R、绿G、蓝B等),i=1...,n,n为多光谱遥感影像中的波段数。本实施例不限制多光谱波段的数量。
步骤2:将全色波段与多光谱波段影像进行空间配准,使上述两种影像中同一地物的几何空间位置一致;利用多光谱波段影像模拟低分辨率下的全色影像如 并作为融合的中介波段I,将全色波段P、中介波段I和多光谱波段Mi按高空间分辨率影像重采样,将上述三种影像合成一个文件。
步骤3:计算参与融合影像各波段的均值μ、均方差σ及其协方差Cov矩阵和相关系数r矩阵。
参与融合影像各波段的均值μ、均方差σ及其协方差Cov矩阵和相关系数r矩阵的表达式为:
/>
其中i=1,2,...,n,j=1,2,...,n,n为多光谱的波段数。R、C分别为参与融合影像的行数和列数。p,q分别为波段图像像元的行序号和列序号。
步骤4:在多光谱波段Mi和全色波段P两者之中选取其一为目标波段T,另外一个为源波段S,计算确定特征提取系数、特征融合系数及特征匹配系数。
特征提取系数、特征融合系数及特征匹配系数的表达式为:
其中:
a=r(S,I)-r(r,I)r(T,S)
b=1-r2(T,S)
c=r(T,S)-r(S,I)r(T,I)
d=r(T,I)-r(T,S)r(S,I)
r(T,S)、r(S,I)、r(T,I)分别为融合目标波段T与源波段S的相关系数、融合源波段S与中介波段I的相关系数、融合目标波段T与中介波段I的相关系数。
σM、σT、σTf分别为多光谱图像Mi的均方差、目标波段T的均方差、均值滤波融合成果的均方差。
步骤5:计算多光谱图像与全色图像的融合成果。
在确定的kI、kE、kM下多光谱图像与全色图像的融合成果为:
其中,μT、μS、μI分别为T、S、I的平均值,σT、σS、σI分别为T、S、I的均方差,μM、σM分别为T、S两者之中的任一多光谱图像的均值与均方差。
对每一个多光谱波段Mi逐一进行空-谱融合计算,获得所有波段与全色波段的融合成果。
步骤6:合成并存储多光谱融合影像成果。
实施例3:
为实现基于相关分析的遥感影像空-谱融合的目的,本发明主要利用ENVI遥感图像处理软件来实现,以一幅具有全色波段(P)、蓝波段(B)、绿波段(G)、红波段(R)、近红外(N)的卫星遥感影像图进一步描述。
步骤1:输入遥感影像图。
打开一幅具有全色波段(P)、蓝波段(B)、绿波段(G)、红波段(R)、近红外(N)的WorldView遥感影像(案例影像取自21FEB01030112-2AS-014568245020_01_P001)。图3、4、5分别为全色波段图(0.5米分辨率)、多光谱标准假彩色合成影像图、真彩色合成影像图(2米分辨率)(按照ENVI缺省设置1%拉伸的效果图)。
步骤2:在ENVI中利用多光谱波段影像中的4个波段影像构建中介波段I,其运算表达式为I=(1.0*b1+b2+b3+b4)/4,其中b1、b2、b3、b4分别为蓝波段(B)、绿波段(G)、红波段(R)、近红外(N),如图6。利用ENVI软件将全色波段P、中介波段I和多光谱波段B、G、R、N按高空间分辨率的融合源影像重采样,合成一个影像文件。
步骤3:计算全色波段P、中介波段I和多光谱波段B、G、R、N的均值μ、标准差σ等影像特征统计参数。各波段影像基本特征统计参数见表1、2。
表1各波段影像均值、均方差统计参数表
表2各波段影像相关系数矩阵统计表
影像波段 | 蓝波段B | 绿波段G | 红波段R | 近红外N | 全色波段P | 中介波段I |
蓝波段B | 1 | 0.988286 | 0.968139 | 0.537103 | 0.880538 | 0.931219 |
绿波段G | 0.988286 | 1 | 0.981072 | 0.621238 | 0.911031 | 0.965796 |
红波段R | 0.968139 | 0.981072 | 1 | 0.597777 | 0.908657 | 0.953585 |
近红外N | 0.537103 | 0.621238 | 0.597777 | 1 | 0.717136 | 0.798565 |
全色波段P | 0.880538 | 0.911031 | 0.908657 | 0.717136 | 1 | 0.933533 |
中介波段I | 0.931219 | 0.965796 | 0.953585 | 0.798565 | 0.933533 | 1 |
步骤4:选取全色波段P为目标波段T,多光谱影像B、G、R、N为源波段S,计算T、S、I构成的数据组合对应的融合参数——特征提取系数kI、特征融合系数kE、特征匹配系数kM,计算成果见表3。
表3 TSI数据组合的融合参数计算成果表
T | S | I | kI | kE | kM |
P | B | I | 0.943232 | 1.038899 | 0.505892 |
P | G | I | 0.975896 | 0.936994 | 0.904287 |
P | R | I | 0.973353 | 0.868005 | 0.829435 |
P | N | I | 0.768196 | 1.484003 | 0.80594 |
步骤5:计算多光谱图像与全色图像的融合成果。
(a)蓝波段对应的融合运算表达式为uint(0.505892*((b1-451.524617)+1.038899*(1.848500*(b2-412.888929)-0.943232*1.297163*(b3-416.30075)))+412.888929+0.5),其中b1为全色波段P,b2为蓝波段(B),b3为中介波段I,计算获得融合后的蓝波段(BF)影像;
(b)绿波段对应的融合运算表达式为uint(0.904287*((b1-451.524617)+0.936994*(1.074535*(b2-502.383787)-0.975896*1.297163*(b3-416.30075)))+502.383787+0.5),其中b1为全色波段P,b2为绿波段(G),b3为中介波段I,计算获得融合后的绿波段(GF)影像;
(c)红波段对应的融合运算表达式为uint(0.829435*((b1-451.524617)+0.868005*(1.166294*(b2-297.988557)-0.973353*1.297163*(b3-416.30075)))+297.988557+0.5),其中b1为全色波段P,b2为红波段(R),b3为中介波段I,计算获得融合后的红波段(RF)影像;
(d)近红外波段对应的融合运算表达式为uint(0.805940*((b1-451.524617)+1.484003*(0.924854*(b2-453.441805)-0.768196*1.297163*(b3-416.30075)))+453.441805+0.5),其中b1为全色波段P,b2为近红外波段(N),b3为中介波段I,计算获得融合后的近红外波段(NF)影像。
将融合后的红波段(NF)、绿波段(GF)与蓝波段(BF)按照红、绿、蓝通道合成的真彩色影像如图7;将融合后的近红外波段(NF、红波段(RF)与绿波段(GF)按照红、绿、蓝通道合成的标准假彩色影像如图8。
本实施例中,融合后多光谱影像的空间分辨率得到了极大提升,空间信息得到了极大丰富,影像上地物的几何纹理、空间细节、边缘的清晰度和层次性得到全面提升,同时,能够保持原始多光谱影像的地物光谱特征与色彩显示的稳定性,大幅提升了遥感影像信息丰富程度和影像整体质量。
本实施例将WorldView原始多光谱影像、本发明方法融合多光谱影像、Gram-Schmidit方法融合多光谱影像这三种遥感影像进行了波段数据统计分析,其影像波段统计特征参数对比见表4。由表中数据可见,对比原始多光谱影像,采用本发明方法融合后的多光谱影像的空间分辨率从原来的2米提高到0.5米,影像空间精度大幅提升;融合后影像同时兼具了原多光谱波段和全色波段的影像,信息一致性指标基本一致;多光谱波段的信息熵稍有降低,但波段的梯度信息得到了大幅度增强,融合后多光谱影像的地物空间信息更加丰富,利于地物识别、解译、分析等各类影像应用的开展。由表中数据可见,与采用ENVIGram-Schmidt方法融合得到的多光谱影像对比,采用本发明方法融合后的多光谱影像波段间的相关系数更低,波段间信息冗余量更小,数据结构更优;各波段信息熵与梯度指标基本一致,两种影像融合方法各有特点,总体性能不分伯仲。
表4原始多光谱影像、本方法融合影像、GS融合影像的波段统计特征参数对比表
/>
实施例4:
如图9所示,本实施例提供了一种基于相关分析的遥感影像空-谱融合系统,该装置包括获取模块901、第一构建模块902、选取模块903、第二构建模块904、确定模块905、融合模块906和合并与存储模块907,其中:
获取模块901,用于获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
第一构建模块902,用于将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
选取模块903,用于根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
第二构建模块904,用于将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
确定模块905,根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
融合模块906,用于根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
合并与存储模块907,用于将得到的空-谱融合成果进行合并并存储。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例5:
本实施例提供了一种计算机设备,该计算机设备可以为计算机,如图10所示,其通过系统总线1001连接的处理器1002、存储器、输入装置1003、显示器1004和网络接口1005,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质1006和内存储器1007,该非易失性存储介质1006存储有操作系统、计算机程序和数据库,该内存储器1007为非易失性存储介质中的操作系统和计算机程序的运行提供环境,处理器1002执行存储器存储的计算机程序时,实现上述实施例1的遥感影像空-谱融合方法,如下:
获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;
根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
将得到的空-谱融合成果进行合并并存储。
实施例6:
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1的遥感影像空-谱融合方法,如下:
获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;
根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
将得到的空-谱融合成果进行合并并存储。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明提供的基于相关分析的遥感影像空-谱融合方法、系统、计算机设备及计算机可读存储介质,主要针对具有全色波段和近红外、红、绿、蓝等多光谱波段的遥感影像。首先,将全色波段与多光谱波段影像进行空间配准,使上述两种影像中同一地物的几何空间位置一致;然后,利用多光谱波段影像构建模拟低分辨率的全色影像,并作为融合的中介波段I,将全色波段P、中介波段I和多光谱波段Mi按高空间分辨率影像重采样,将上述三种影像合成一个文件,计算参与融合影像各波段的均值μ、均方差σ及相关系数r矩阵;最后,选取融合的目标波段、融合源波段,确定相应的数据组合的融合参数,以中介波段I按照融合方案对每一个数据组合进行融合计算,获得多光谱波段与全色波段融合影像。本方法适用于将全色波段与多光谱波段进行融合,具体地既可以将全色波段作为融合源将其依次注入各多光谱波段,也可以将多光谱波段作为融合源,依次将各多光谱波段注入全色波段,实现基于相关分析的遥感影像空-谱融合,以增强多光谱影像中地物的空间几何、纹理、边缘、层次等信息,提升其影像清晰度和空间分辨率,同时,多光谱影像融合成果能够高度保持原多光谱影像各类地物光谱特征和色彩显示的稳定性。本方法理论基础扎实、物理意义明确,应用对象广泛,操作简便、运算效率高。融合后的影像色彩鲜明、信息丰富、光谱信息稳定、易于目视和自动分类,尤其在当前高分辨率卫星遥感快速发展背景下,对于推动国产高分辨率影像在国内外各行各业的推广应用具有巨大的促进作用。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于相关分析的遥感影像空-谱融合方法,其特征在于,所述方法包括:
获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;
根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
将得到的空-谱融合成果进行合并并存储。
2.根据权利要求1所述的遥感影像空-谱融合方法,其特征在于,所述将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子,包括:
以融合目标波段的直方图为基准,将融合源波段及中介波段的直方图匹配到融合目标波段,构建第一特征提取因子;
将待确定的特征提取系数引入第一特征提取因子,构建第二特征提取因子;
对第二特征提取因子进行去相关处理,得到特征提取系数的值;
根据特征提取系数的值,得到确定特征提取系数的第二特征提取因子并作为基于均值滤波图像的特征信息提取因子。
3.根据权利要求2所述的遥感影像空-谱融合方法,其特征在于,所述以融合目标波段的直方图为基准,将融合源波段及中介波段的直方图匹配到融合目标波段,构建第一特征提取因子,包括:
设μT、μS、μI分别为融合目标波段T、融合源波段S、中介波段I的均值,σT、σS、σI分别为融合目标波段T、融合源波段S、中介波段I的均方差;
将融合源波段S及中介波段I的直方图分别匹配到融合目标波段T,则有:
式中,S′-I′为用S、I的均值滤波图像构建的第一特征提取因子,令第一特征提取因子为E;
显然E只是特征信息提取因子中的一个特例;
所述将待确定的特征提取系数引入第一特征提取因子,构建第二特征提取因子,包括:
在第一特征提取因子中引入待确定的特征提取系数kI,构建第二特征提取因子的表达式为:
式中,S-μS、I-μI分别为融合源波段的均值滤波图像、中介波段的均值滤波图像。
4.根据权利要求2所述的遥感影像空-谱融合方法,其特征在于,所述去相关处理是消除第二特征提取因子与融合目标波段之间的信息冗余,即第二特征提取因子与融合目标波段不相关。
5.根据权利要求1~4任一项所述的遥感影像空-谱融合方法,其特征在于,所述融合系数待确定的融合目标波段的均值滤波融合成果的表达式为:
Tf=(T-μT)+kE·E
式中,Tf为融合目标波段T的均值滤波融合成果,μT为T的均值,KE为待确定的融合系数,E为特征信息提取因子,且:
式中,μS、μI分别为融合源波段S、中介波段I的均值,σT、σS、σI分别为T、S、I的均方差,kI为特征提取系数,r(T,S)为T与S的相关系数,r(T,I)为T与I的相关系数;
所述计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值,包括:
令r(Tf,S)为均值滤波融合成果与融合源波段的相关系数,由Tf的表达式推导得到:
当r(Tf,S)最大时,融合系数KE的值为:
其中:
a=r(S,I)-r(r,I)r(T,S)
b=1-r2(T,S)
c=r(T,S)-r(S,I)r(T,I)
d=r(T,I)-r(T,S)r(S,I)
式中,r(S,I)为S与I的相关系数。
6.根据权利要求1~4任一项所述的遥感影像空-谱融合方法,其特征在于,所述融合目标波段的均值滤波融合成果为:
Tf=(T-μT)+kE·E
式中,Tf为融合目标波段T的均值滤波融合成果,μT为T的均值,kE为确定的融合系数,E为特征信息提取因子;
所述根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果,包括:
设μM、σM分别为波段M的均值与均方差,σTf为Tf的均方差,将Tf直方图匹配到与波段M的直方图一致,则:
F=kM·{(T-μT)+kE·E}+μM
式中,F为波段M的空-谱融合成果,为特征匹配系数。
7.根据权利要求1~4任一项所述的遥感影像空-谱融合方法,其特征在于,所述根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,包括:
选取全色遥感影像中的全色波段为融合目标波段,多光谱遥感影像中任一波段为融合源波段;
或者选取多光谱遥感影像中任一波段为融合目标波段,全色遥感影像中的全色波段为融合源波段。
8.一种基于相关分析的遥感影像空-谱融合系统,其特征在于,所述系统包括:
获取模块,用于获取全色遥感影像和多光谱遥感影像,所述多光谱遥感影像至少包括一个波段;
第一构建模块,用于将全色遥感影像与多光谱遥感影像进行空间配准,利用多光谱遥感影像构建低分辨率全色波段,将所述低分辨率全色波段作为中介波段;
选取模块,用于根据全色遥感影像以及多光谱遥感影像选取融合目标波段和融合源波段,其中,所述融合目标波段和融合源波段之一为多光谱遥感影像中任意一个波段M;
第二构建模块,用于将融合源波段及中介波段的直方图匹配到融合目标波段,构建基于均值滤波图像的特征信息提取因子;
确定模块,根据所述特征信息提取因子和融合目标波段,得到融合系数待确定的融合目标波段的均值滤波融合成果的表达式;计算所述均值滤波融合成果与融合源波段的相关系数,通过极值分析确定融合系数的值;根据所述融合系数的值,得到融合系数确定的均值滤波融合成果的表达式;
融合模块,用于根据所述融合系数确定的均值滤波融合成果的表达式,计算融合目标波段的均值滤波融合成果;根据所述融合目标波段的均值滤波融合成果,得到波段M的空-谱融合成果;根据多光谱遥感影像中的多个波段,得到每个波段对应的空-谱融合成果;
合并与存储模块,用于将得到的空-谱融合成果进行合并并存储。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的遥感影像空-谱融合方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-7任一项所述的遥感影像空-谱融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093976.3A CN117197625B (zh) | 2023-08-29 | 2023-08-29 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093976.3A CN117197625B (zh) | 2023-08-29 | 2023-08-29 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197625A true CN117197625A (zh) | 2023-12-08 |
CN117197625B CN117197625B (zh) | 2024-04-05 |
Family
ID=88995316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311093976.3A Active CN117197625B (zh) | 2023-08-29 | 2023-08-29 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197625B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101291219B1 (ko) * | 2012-03-16 | 2013-07-31 | 한국항공우주연구원 | 전정색영상과 다분광영상의 융합 방법 및 그 장치 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN108765361A (zh) * | 2018-06-06 | 2018-11-06 | 中国电子科技集团公司第二十九研究所 | 一种自适应的全色与多光谱图像融合方法 |
CN110503137A (zh) * | 2019-07-29 | 2019-11-26 | 电子科技大学 | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 |
CN111539900A (zh) * | 2020-04-24 | 2020-08-14 | 河南大学 | 一种基于引导滤波的ihs遥感图像融合方法 |
CN112070777A (zh) * | 2020-11-10 | 2020-12-11 | 中南大学湘雅医院 | 一种基于增量学习的多场景下的危及器官分割方法及设备 |
WO2021017588A1 (zh) * | 2019-07-31 | 2021-02-04 | 茂莱(南京)仪器有限公司 | 一种基于傅立叶频谱提取的图像融合方法 |
CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
CN113240758A (zh) * | 2021-05-28 | 2021-08-10 | 珠江水利委员会珠江水利科学研究院 | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 |
CN113870110A (zh) * | 2021-09-10 | 2021-12-31 | 深圳市魔方卫星科技有限公司 | 遥感影像的图像融合方法、装置、电子设备和存储介质 |
CN115272861A (zh) * | 2022-08-05 | 2022-11-01 | 西安交通大学 | 一种基于光谱相关性的子空间稀疏表征高光谱目标检测方法 |
US20220366681A1 (en) * | 2021-05-10 | 2022-11-17 | Tsinghua University | VISION-LiDAR FUSION METHOD AND SYSTEM BASED ON DEEP CANONICAL CORRELATION ANALYSIS |
US11521377B1 (en) * | 2021-10-26 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Landslide recognition method based on laplacian pyramid remote sensing image fusion |
CN115690460A (zh) * | 2022-11-16 | 2023-02-03 | 武汉大学 | 一种顾及影像畸变的遥感影像融合方法及计算机可读介质 |
-
2023
- 2023-08-29 CN CN202311093976.3A patent/CN117197625B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101291219B1 (ko) * | 2012-03-16 | 2013-07-31 | 한국항공우주연구원 | 전정색영상과 다분광영상의 융합 방법 및 그 장치 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN108765361A (zh) * | 2018-06-06 | 2018-11-06 | 中国电子科技集团公司第二十九研究所 | 一种自适应的全色与多光谱图像融合方法 |
CN110503137A (zh) * | 2019-07-29 | 2019-11-26 | 电子科技大学 | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 |
WO2021017588A1 (zh) * | 2019-07-31 | 2021-02-04 | 茂莱(南京)仪器有限公司 | 一种基于傅立叶频谱提取的图像融合方法 |
CN111539900A (zh) * | 2020-04-24 | 2020-08-14 | 河南大学 | 一种基于引导滤波的ihs遥感图像融合方法 |
CN112070777A (zh) * | 2020-11-10 | 2020-12-11 | 中南大学湘雅医院 | 一种基于增量学习的多场景下的危及器官分割方法及设备 |
CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
US20220366681A1 (en) * | 2021-05-10 | 2022-11-17 | Tsinghua University | VISION-LiDAR FUSION METHOD AND SYSTEM BASED ON DEEP CANONICAL CORRELATION ANALYSIS |
CN113240758A (zh) * | 2021-05-28 | 2021-08-10 | 珠江水利委员会珠江水利科学研究院 | 基于融合衍生指数的遥感影像融合方法、系统、设备及介质 |
CN113870110A (zh) * | 2021-09-10 | 2021-12-31 | 深圳市魔方卫星科技有限公司 | 遥感影像的图像融合方法、装置、电子设备和存储介质 |
US11521377B1 (en) * | 2021-10-26 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Landslide recognition method based on laplacian pyramid remote sensing image fusion |
CN115272861A (zh) * | 2022-08-05 | 2022-11-01 | 西安交通大学 | 一种基于光谱相关性的子空间稀疏表征高光谱目标检测方法 |
CN115690460A (zh) * | 2022-11-16 | 2023-02-03 | 武汉大学 | 一种顾及影像畸变的遥感影像融合方法及计算机可读介质 |
Non-Patent Citations (5)
Title |
---|
HAMID REZA SHAHDOOSTI, ET.AL: "FUSION OF MS AND PAN IMAGES PRESERVING SPECTRAL QUALITY", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 12, no. 3, 31 May 2015 (2015-05-31), pages 611 - 615, XP011560953, DOI: 10.1109/LGRS.2014.2353135 * |
MANAN MANOJ TIWARE, ET.AL: "An Improved IHS Image Fusion Algorithm using Medoid Intensity Match and Bilateral Filter", 2021 IEEE INTERNATIONAL INDIA GEOSCIENCE AND REMOTE SENSING SYMPOSIUM(INGARSS), 10 December 2021 (2021-12-10), pages 500 - 503, XP034134497, DOI: 10.1109/InGARSS51564.2021.9791967 * |
刘超群,余顺超,等: "真彩色增强影像在"天地一体化" 监管中的应用", 中国水土保持SWCC, no. 11, 5 November 2016 (2016-11-05), pages 13 - 15 * |
唐育林,等: "结合自适应滤波和SFIM 的IHS影像融合方法", 湘潭大学学报(自然科学版), vol. 45, no. 2, 15 April 2023 (2023-04-15), pages 29 - 36 * |
胡佳伟,等: "基于AIHS的遥感影像融合方法及应用研究", 信息技术与网络安全, vol. 37, no. 3, 10 March 2018 (2018-03-10), pages 61 - 64 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197625B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN106934419A (zh) | 基于复数轮廓波卷积神经网络的极化sar图像分类方法 | |
CN105096286A (zh) | 遥感图像的融合方法及装置 | |
CN114821261A (zh) | 一种图像融合的算法 | |
CN117058053B (zh) | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 | |
CN115082582B (zh) | 卫星遥感数据真彩色模拟方法、系统、设备及介质 | |
CN114863173B (zh) | 一种面向土地资源审计的自互注意力高光谱图像分类方法 | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及系统 | |
CN111563866B (zh) | 一种多源遥感图像融合方法 | |
CN115236655A (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN117237770A (zh) | 基于指数幂函数的遥感影像融合方法、系统、设备及介质 | |
CN117475272A (zh) | 基于指数函数空间的特征曲线的遥感影像融合方法及系统 | |
CN117197625B (zh) | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN117372710A (zh) | 一种基于Sentinel-2 MSI遥感影像的林窗提取方法 | |
CN110399887B (zh) | 基于视觉显著性和直方图统计技术的代表色彩提取方法 | |
CN117274763B (zh) | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 | |
Cheng et al. | Dual-branch multi-level feature aggregation network for pansharpening | |
CN115711855B (zh) | 一种不透水面的提取方法、装置、终端设备以及存储介质 | |
CN116309227A (zh) | 基于残差网络与空间注意力机制的遥感图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |